Previsiones eléctricas probabilísticas y arbitraje con baterías

Resumen

El estudio analiza si unas mejores previsiones probabilísticas del precio eléctrico del día siguiente se traducen en mejores resultados de trading con baterías. Identifica dos limitaciones de las estrategias de trading basadas en cuantiles: no recompensan las previsiones probabilísticas honestas e ignoran la dependencia temporal entre los precios eléctricos. Como alternativa, plantea la optimización de baterías como un programa estocástico con previsiones probabilísticas completas y examina cómo medir la calidad de las decisiones tanto en escenarios neutrales al riesgo como adversos al riesgo, bajo distintos modelos de incertidumbre.

El trabajo ofrece una justificación teórica y evidencia empírica de un estudio de caso en el mercado eléctrico alemán. Advierte que los resultados de las estrategias de trading con baterías pueden inducir a error al clasificar modelos de previsión y analiza cómo se relaciona la calidad estadística de las previsiones con la calidad de las decisiones y el rendimiento económico. El fragmento no aporta resultados numéricos concretos ni detalles del estudio de caso, así que no permite concluir qué modelo de previsión o estrategia con baterías funciona mejor. Se centra en las prácticas de evaluación, no en una regla de trading lista para aplicar.

Ideas clave

• Las estrategias con baterías basadas en cuantiles pueden no recompensar las previsiones probabilísticas veraces.
• Esas estrategias también omiten la dependencia temporal de los precios eléctricos.
• El estudio formula la optimización de baterías como un programa estocástico con distribuciones predictivas completas.
• Evalúa la calidad de las decisiones en escenarios neutrales al riesgo y adversos al riesgo, y con distintos modelos de incertidumbre.
• El estudio de caso del mercado alemán destaca los problemas de clasificar previsiones según los resultados del trading con baterías.

Etiquetas

# 2604.19580


# Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy









Electricity price forecasting supports decision-making in energy markets and asset operation. Probabilistic forecasts are increasingly adopted to explicitly quantify uncertainty, typically issued as quantile predictions or ensembles of the full predictive distribution. However, how improvements in statistical forecast quality translate into economic value remains unclear. Battery storage arbitrage in day-ahead markets is a popular application-based benchmark for this purpose. We analyze quantile-based trading strategies (QBTS) and identify two critical flaws: they do not incentivize honest probabilistic forecasting and they ignore the intertemporal dependence structure of electricity prices. We therefore frame battery optimization as a stochastic program based on fully probabilistic forecasts and examine decision quality measurement for risk-neutral and risk-averse settings under different uncertainty models. Our discussion touches both sides of the coin: How reliable is the economic evaluation of forecasting models though (simplified) application studies - and how do improvements in statistical forecast quality for stochastic programs relate to the decision-quality and economic performance? We provide theoretical justification and empirical evidence from a case study on the German electricity market. Our results highlight the pitfalls of ranking forecasting models through battery trading strategies. We conclude with implications for evaluation practice and directions for future research in application-based forecast assessment.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.